ECG画像における畳み込みニューラルネットワークを用いた不整脈認識に関する研究

科学分野:

• 循環器病学
• 医用生体工学
• 医療における人工知能

背景:

• 正確な不整脈特定は、心血管疾患の予防と診断に不可欠です。
• 既存の手法における前処理ステップは、情報損失につながる可能性があります。
• 複数の不整脈タイプを正確に分類するための改善されたモデルが必要とされています。
• 心臓血管疾患の予防と診断における正確な不整脈特定は不可欠です。

研究 の 目的:

• 前処理中の情報損失を最小限に抑えることにより、不整脈分類を強化すること。
• 不整脈特定モデルのパフォーマンスを向上させること。
• 6つの異なる心臓不整脈タイプを正確に分類すること。

主な方法:

• ウェーブレット変換によるノイズ除去を信号前処理に適用しました。
• 心電図（ECG）信号を2次元グレースケール画像に変換しました。
• 改良された2次元畳み込みニューラルネットワーク（CNN）モデルを分類に利用しました。

主要な成果:

• 提案手法は90.50%の分類精度を達成しました。
• 感度と特異度はそれぞれ81.70%、97.16%に達しました。
• 6種類の不整脈が正常かつ正確に特定されました。

結論:

• ウェーブレット変換前処理は、複数の不整脈の分類精度を効果的に向上させます。
• 開発されたCNNモデルは、臨床不整脈診断のための有望な新しいツールを提供します。
• この方法は、心臓不整脈の診断において臨床医に貴重な参照を提供します。